Ljud och taligenkänning

Telefonlinjen slänger bort halva rösten

Demon förstod allt. Sedan sattes agenten på ett telefonnummer, och nu hör den «tjära» som «skära». Modellen är densamma – ljudet den får in är det inte.

31 aug. 20265 min läsning

Kvinna i mörk vadderad jacka står i hisshallen i ett bostadshus med mobilen mot örat och den fria handen lyft medan hon upprepar något, sedd genom glasväggen från entrén, medan en man i mörk rock väntar oskarpt framför hissdörrarna bakom henne

Demon lät perfekt. Agenten förstod allt, svarade snabbt, läste tillbaka e-postadressen utan ett enda fel.

Sedan sattes den på ett telefonnummer. Nu hör den «tjära» som «skära», och kan inte skilja «anden» från «anden».

Den närliggande slutsatsen är att modellen inte är tillräckligt bra på svenska. Oftast är modellen exakt densamma som i demon. Det som skiljer är ljudet den får in – och de två felen ovan är inte slumpmässiga. De ligger i var sin ände av det telefonlinjen slänger bort.

Linjen är ett filter, inte ett rör

Vanlig telefoni kodar ljud i det som kallas smalband: 8 000 avläsningar i sekunden och ett frekvensband från omkring 300 till omkring 3 400 hertz. Allt över och under försvinner.

Standarden är ärvd från den analoga tiden, och den sattes lågt med flit. Den skulle bära precis tillräckligt för att en människa skulle förstå en annan, inte mer, eftersom bandbredd kostade pengar.

För en människa räcker det gott. Örat gissar resten. Vi hör att det är «tjära» även när halva konsonanten är borta, eftersom vi har sammanhanget, förväntningen och ett helt liv av telefonsamtal i ryggen.

En modell för taligenkänning har inte det. Den har en signal. Och de flesta modeller är tränade på ljud med 16 000 avläsningar i sekunden – bredband. Får den hälften av det den är van vid gissar den också, men den gissar sämre, och den gissar på saker en människa aldrig skulle gissa på.

Vad ljudet bär	Ungefär var	Överlever smalband?
Röstens grundton – satsmelodi och ordaccent	80–250 Hz	Nej, ligger under gränsen på 300
Vokaler	300–2 500 Hz	Ja
s, sj, tj och andra väsljud	3 000–8 000 Hz	Knappt, eller inte alls
Smällen i t, k och p	2 000–6 000 Hz	Delvis

Svenskan använder båda ändarna

Här slutar det vara ett allmänt problem och blir ett nordiskt.

Överst i bandet ligger skillnaden mellan väsljuden. Sje-ljudet och tje-ljudet – «skära» och «tjära», «kjol» och «sjal» – skiljs i huvudsak av energi över 3 000 hertz. Detsamma gäller smällen i ett t eller k i slutet av ett ord. Smalbandet skär rakt genom just det området. När agenten hör «skära» för «tjära» är det inte nödvändigtvis för att den inte kan svenska. Det är att skillnaden mellan de två ljuden till stor del filtrerades bort i nätet. För en del av dem som ringer läggs det dessutom ett filter till ovanpå detta, i exakt samma frekvensområde.

Nederst i bandet ligger grundtonen. Svenskan skiljer ord med ordaccent: «anden» som fågeln och «anden» som själen, «tomten» som marken och «tomten» som jultomten. Ordaccenten ligger i röstens grundfrekvens, som för de flesta vuxna håller sig mellan 80 och 250 hertz – alltså under gränsen på 300. Vårt öra återskapar grundtonen ur övertonerna, och en människa hör därför ordaccenten alldeles utmärkt i telefon. En modell som ska följa tonhöjd i en signal där grundtonen är bortfiltrerad har ett betydligt svårare jobb.

Svenskan har alltså otur i båda ändarna samtidigt: språket använder toppen av spektrumet för att skilja konsonanter och botten för att skilja ord, och telefonlinjen tar lite av bådadera. Det är ett besläktat skäl till att siffror är det svåraste en röstagent hör – där ligger problemet i räkneorden, här i akustiken, men de drabbar samma samtal.

Vill du prata med någon som har gjort det här förut?

Femton minuter på telefon eller video. Vi säger ärligt om en röstagent passar er – och vad som måste vara klart innan den går i drift.

Boka möte +47 24 12 66 30

15 minuter · förutsättningslöst · välj tid själv

Var bandbredden faktiskt försvinner

Det goda svaret är att den inte behöver försvinna.

G.722 och Opus är spridda bredbandskodekar. De tar 16 000 avläsningar i sekunden och bär upp mot 7 000 hertz. Ringer kunden från en modern mobil över VoLTE skickas samtalet oftast i bredband från luren och ut i nätet.

Problemet är att samtalet sällan går raka vägen. Den svagaste länken bestämmer för hela sträckan. Går samtalet förbi ett enda led som bara talar smalband – en äldre växel, en SIP-trunk uppsatt med G.711 som enda alternativ, en gateway mot det gamla fasta nätet – kodas hela samtalet ner där. Bandbredden kommer inte tillbaka efteråt. Ljud som har slängts bort är borta.

Det är värt att veta, eftersom det hänger ihop med något folk gör utan att tänka på ljud över huvud taget. Vidarekoppling lägger till ännu ett led i den väg samtalet tar, och varje led är ett nytt tillfälle att koda ner. En uppsättning som fungerade bra när agenten satt direkt på numret kan bli märkbart sämre när samtalet först ska förbi en företagsväxel.

Det är här Threll.ai har gjort ett val som handlar om just det här. Vi kör på Telenors SIP-trunk med direkt integration mot operatörsnätet, och det tar bort ett av de led som annars tvingar ner ljudet i smalband: samtalet kan bäras i bredband med G.722 hela vägen fram till agenten, för de handenheter som stöder det. Det hjälper inte en kund som ringer från ett gammalt fast nät, och det hjälper inte om samtalet redan har kodats ner i en företagsväxel vi inte rör. Men det är det led vi faktiskt kan göra något åt.

Siffrorna, och förbehållet som hör till

Det finns ingen bra offentlig siffra på vad smalband kostar i träffsäkerhet på svenska. Det närmaste är engelskspråkigt.

Voicegain, en leverantör av taligenkänning, publicerade i augusti 2025 en mätning på 40 kundtjänstinspelningar i 8 kHz smalband, hämtade från åtta olika kunder i olika branscher. Den bästa modellen i testet träffade 87,67 procent av orden. Den svagaste träffade 68,38 procent. Det är nästan tjugo procentenheters spann mellan modeller som alla räknas som bra.

Förbehållen är verkliga och bör stå kvar: det är amerikansk engelska, det är 40 filer, och det är leverantörens egen kurerade samling – de har ett uppenbart intresse av att just den här sortens ljud framstår som svårt. Siffrorna säger ingenting exakt om svenska.

Det de säger något om är att valet av modell betyder betydligt mer på smalband än på rent ljud, och att skillnader som inte syns i en demo blir stora i produktion. Det är samma skäl till att de siffror en ny modell lanseras med inte säger mycket om er egen linje.

Tre saker som är värda att göra

Ta reda på vilken kodek samtalen faktiskt går på. Frågan går till den som äger telefonin, inte till leverantören av agenten. Svaret ska vara ett namn: G.711, G.722, Opus, AMR-WB. Får du inget namn är svaret i praktiken G.711.

Testa på den riktiga vägen in. Inte i webbläsaren, inte över ett headset på kontoret. Ring numret utifrån, från en mobil, genom hela uppsättningen så som en kund skulle göra. Det är samma skäl till att demon inte överlever telefonen, och det hör hemma i en pilot som är upplagd för att avslöja något.

Köp inte en större modell för att lösa ett ljudproblem. Samlas felen kring väsljud, korta ord och namn pekar det mot bandbredd snarare än mot språkförståelse. En dyrare modell på samma dåliga ljud ger bara ett dyrare fel. Och för en del av dem som ringer ligger problemet inte i linjen alls, utan i att deras tal ligger långt från det modellen är tränad på.

Threll.ai bygger röstagenter på svenska, norska och danska. Det mesta av arbetet med att få en agent att höra rätt ligger inte i modellen. Det ligger i hur mycket av ljudet som är kvar när det kommer fram.

Vanliga frågor

Utgå från G.711 och testa utfallet i stället för att jaga svaret. Ring numret utifrån från en mobil, så som en kund skulle göra, och läs upp ett par ordpar som bara skiljs av väsljudet, som tjära och skära eller kjol och sjal, och ett par som bara skiljs av ordaccent, som anden och anden. Hör agenten skillnaden bärs något av bredbandet fram; hör den den inte beter sig linjen som smalband oavsett vad någon påstår. Ni behöver ingen åtkomst till nätet för att mäta resultatet.

Bara om hela sträckan bär det, och vinsten syns tydligast överst i bandet där sje och tje skiljs. Den svagaste länken bestämmer för hela samtalet: kundens handenhet, varje led på vägen och en företagsväxel ni inte rör kan alla koda ner samtalet, och bandbredden kommer inte tillbaka efteråt. En uppgradering i er ände är osynlig för den som ringer från ett gammalt fast nät.

Bokstavering flyttar problemet i stället för att lösa det. Bokstavsnamn är korta ord som skiljs av just de frekvenser linjen har slängt bort, så b och p, t och d, e och i blir var för sig lika svåra som namnet var i en enda bit. Bättre att läsa tillbaka det agenten tror att den hörde och låta den som ringer rätta, eftersom en bekräftelse bär ett sammanhang som bokstavering inte gör.

Sortera fram samtalen där agenten bad om en upprepning och titta på vad som faktiskt missförstods. Samlas det kring namn, korta ord och väsljud pekar det mot bandbredd. Är det hela meningar och innebörden i ärendet som glider undan handlar det om förståelse. De två kräver olika åtgärder, och en större modell hjälper bara på det andra.

Delvis. Det som faller bort är korta ord där hela skillnaden sitter i grundtonen eller i ett väsljud, och en människa klarar dem i telefon just för att hon har sammanhanget – modellen har bara signalen. Lägg därför frågorna så att svaret blir mer än ett ensamt ord, och låt agenten läsa tillbaka det den tror att den hörde. Det tar inte tillbaka ljudet som redan är borta, men det gör att en enskild bortfiltrerad skillnad inte avgör samtalet.